Mobitekno – Saat ini, cukup banyak negara yang mulai aktif mengembangkan generative AI (GenAI) untuk membantu menyelesaikan masalah dalam banyak bidang. Model bahasa berskala besar atau Large Language Models (LLM) sebagai teknologi inti untuk pengembangan GenAI pun akhirnya fokus perhatian karena kemampuannya untuk memahami, menghasilkan, dan beradaptasi dengan bahasa manusia.
Seperti negara lainnya di dunia, Indonesia juga mulai tidak kalah aktif dalam mengadopsi dan mengimplementasikan generative AI. Namun, pengembangan GenAI dengan LLM bukan persoalan mudah karena ada tantangan, seperti biaya yang mahal (jutaan dolar), kebutuhan data raksasa, dan waktu pelatihan yang lama
Kendala ini menjadikan akses LLM sebagian sukan dijangkau oleh banyak perusahaan di Indonesia, terutama start-up dan usaha kecil menengah (UKM) yang menjadi tulang punggung ekonomi nasional. Di sinilah peran Small Language Models (SLM) muncul sebagai solusi cerdas yang relevan dengan kondisi Indonesia saat ini.
SLM, dengan kebutuhan daya komputasi dan memori yang jauh lebih rendah dibandingkan LLM, menawarkan alternatif yang efisien dan terjangkau. Model ini dirancang untuk tugas spesifik, sehingga hanya memerlukan dataset kecil untuk dilatih.
Ukurannya yang ringkas memungkinkan SLM dijalankan secara lokal tanpa ketergantungan pada penyimpanan cloud, sebuah keunggulan besar mengingat infrastruktur internet di banyak wilayah Indonesia masih terbatas. Ditambah lagi, jika SLM bersifat open-source, perusahaan dapat menyesuaikannya dengan data internal mereka, meminimalkan risiko privasi dan bias—dua isu yang semakin krusial di era digital ini.
Pasar SLM diprediksi tumbuh sekitar 15%
Di Indonesia, di mana anggaran dan sumber daya sering menjadi kendala, SLM menjadi jawaban yang praktis. Pasar SLM diperkirakan akan tumbuh stabil sebesar 15% dalam lima tahun ke depan, dan Indonesia memiliki peluang besar untuk memanfaatkan tren ini.
Misalnya, SLM seperti Tiny Time Mixers (TTM) mampu memprediksi tren berbasis waktu dengan cepat, mulai dari kemacetan lalu lintas di Jakarta hingga pola konsumsi listrik di daerah terpencil. Bayangkan bagaimana pemerintah daerah dapat memanfaatkan teknologi ini untuk merencanakan distribusi energi atau mengatasi masalah transportasi perkotaan yang kian pelik.
Kolaborasi antara SLM dan LLM juga membuka peluang menarik. LLM, seperti Granite 3.2, bisa digunakan untuk analisis mendalam dan pemahaman kontekstual, sementara SLM mengambil alih untuk eksekusi cepat dan hemat biaya. Pendekatan hybrid ini sangat cocok untuk perusahaan Indonesia dalam mengatasi masalah, misalnya logistik di ribuan pulau atau analisis pasar di sektor ritel, tanpa harus menguras anggaran.
SLM dan LLM saling berkomplemen
Perusahaan yang akan mengimplementasikan AI perlu mencari keseimbangan antara faktor kekuatan dan kepraktisan. Agar bisa dipahami, analogi sederhananya adalah, LLM merupakan sebuah truk tronton yang kuat namun lambat, sedangkan SLM adalah mobil balap yang lincah dan efisien. Keduanya saling melengkapi, dan Indonesia dapat memanfaatkan kombinasi ini untuk mempercepat transformasi digital.
Menurut Roy Kosasih, Presiden Direktur IBM Indonesia, “Dengan memanfaatkan sistem AI atau menjalankan AI generatif berdasarkan model bahasa yang lebih kecil, biaya operasional AI dapat dikurangi secara signifikan. Hal ini tidak hanya meningkatkan efisiensi, tetapi juga akurasi, mempercepat proses, dan pada akhirnya meningkatkan keuntungan.”
Pernyataan ini relevan dengan kondisi Indonesia, di mana efisiensi biaya menjadi kunci daya saing. Bagi UKM, misalnya, SLM bisa diintegrasikan ke dalam aplikasi sederhana untuk menganalisis perilaku konsumen atau mengelola inventaris, tanpa memerlukan investasi besar.
Lebih jauh lagi, SLM berpotensi menjadi tulang punggung evolusi agen AI otonom di masa depan. Dengan kemampuan penalaran canggih dan koneksi ke API eksternal, SLM dapat membantu bisnis lokal mengevaluasi strategi secara real-time dan melakukan koreksi diri. Misalnya, sebuah start-up e-commerce dapat menggunakan SLM untuk mengoptimalkan rekomendasi produk berdasarkan tren lokal, sementara perusahaan logistik dapat memprediksi waktu pengiriman dengan lebih akurat meski menghadapi cuaca tak menentu.
Namun, tantangan tetap ada. Adopsi SLM membutuhkan edukasi dan pelatihan tenaga kerja, yang masih menjadi isu di Indonesia. Pemerintah dan sektor swasta perlu berkolaborasi untuk memastikan bahwa teknologi ini tidak hanya dimanfaatkan oleh perusahaan besar, tetapi juga menjangkau UKM di pelosok negeri. Infrastruktur digital yang merata juga akan menjadi penentu keberhasilan SLM di Indonesia.
Dengan memanfaatkan potensi AI skala kecil (SLM), Indonesai dapat melangkah lebih jauh dalam transformasi digital dengan meningkatkan efisiensi, mempercepat inovasi, dan membuka peluang ekonomi baru, bahkan di tengah keterbatasan yang ada.
Tags: AI, GenAI, generative AI, IBM Indonesia, large language model, LLM, SLM, Small Language Model